WO2023022404A1 - 바코드 이미지 식별 방법 및 그 장치 - Google Patents

바코드 이미지 식별 방법 및 그 장치 Download PDF

Info

Publication number
WO2023022404A1
WO2023022404A1 PCT/KR2022/011386 KR2022011386W WO2023022404A1 WO 2023022404 A1 WO2023022404 A1 WO 2023022404A1 KR 2022011386 W KR2022011386 W KR 2022011386W WO 2023022404 A1 WO2023022404 A1 WO 2023022404A1
Authority
WO
WIPO (PCT)
Prior art keywords
barcode
barcode image
image
decoding
model
Prior art date
Application number
PCT/KR2022/011386
Other languages
English (en)
French (fr)
Inventor
강창범
왕신조
Original Assignee
주식회사 에너자이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020210108491A external-priority patent/KR102393764B1/ko
Application filed by 주식회사 에너자이 filed Critical 주식회사 에너자이
Publication of WO2023022404A1 publication Critical patent/WO2023022404A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration

Definitions

  • the present invention relates to barcode image identification and an apparatus therefor, and more particularly, to a method and apparatus capable of identifying a damaged barcode image as well as a normal barcode image.
  • a barcode is a combination of vertical bars with different thicknesses to represent alphanumeric characters or letters in a machine-readable form, which can be read optically. It is widely used for various purposes such as product management. Barcodes are composed of various types, such as one-dimensional barcodes such as EAN, CODE39, OCDE93, CODE128, and ISBN, and two-dimensional barcodes such as PDF-417, QR CODE, and 2D Data Matrix, and their recognition methods are all similar.
  • a camera and an infrared scanner are widely used in a conventional barcode recognition device, and the infrared scanner can read a printed barcode, decode data included in the barcode, and send the data to a computer.
  • infrared scanners require accurate alignment of barcodes in the recognition area, and in the case of cameras, performance is degraded due to uneven lighting conditions, barcode distortion, camera performance, and barcode damage due to dust or graffiti.
  • machine learning models have been introduced to barcode recognition devices, but even in the case of machine learning models, they have the same disadvantages as conventional infrared scanners, and furthermore, only those formats that can be supported by the model among various barcode formats can be used, limiting their functions.
  • An object of the present invention is to solve the above problems, and to facilitate interpretation of a barcode image by applying a model for correcting a damaged barcode image.
  • the present invention provides a method for identifying a barcode image by an electronic device, comprising step a of receiving an image including at least one barcode, step b of extracting a first barcode image from the image, and step c of decoding the barcode image; step d of generating a second barcode image by inputting the first barcode image to a preprocessing model if step c fails; and step e of decoding the second barcode image.
  • the present invention provides a barcode input module that receives an image including at least one barcode, a barcode extraction module that extracts a first barcode image from the image, and decodes the first barcode image. It is characterized in that it includes a barcode decoding module for generating a second barcode image by inputting a barcode image and decoding the second barcode image.
  • the present invention as described above, it is possible to facilitate interpretation of a barcode image by applying a model for correcting a damaged barcode image.
  • the damaged barcode image can be automatically restored to the original barcode image without the user's help, and data on the barcode image can be identified and provided to the user.
  • FIG. 1 is a diagram showing the configuration of a barcode image identification device according to an embodiment of the present invention
  • FIG. 2 is a flowchart illustrating a barcode image identification method according to an embodiment of the present invention
  • FIG. 3 is a flowchart illustrating a method of learning a barcode correction model according to an embodiment of the present invention.
  • a barcode image identification method includes a step of receiving an image including at least one barcode; step b of extracting a first barcode image from the image; step c of decoding the first barcode image; step d of generating a second barcode image by inputting the first barcode image to a preprocessing model if step c fails; and step e of decoding the second barcode image.
  • a first barcode image may be extracted from the image using an object recognition model.
  • the first barcode image may include a pattern in which foreground color and background color areas are formed at specific intervals.
  • the first barcode image may be converted into binary numbers according to a preset rule, and data corresponding to the first barcode image may be extracted based on the converted binary numbers.
  • the preprocessing model may include loading a third barcode image stored in a database; generating a fourth barcode image by adding random noise to the third barcode image through an image augmentation technique; and learning to output a third barcode image when a fourth barcode image is input based on the third barcode image and the fourth barcode image.
  • a second barcode image may be generated by inputting the first barcode image to the preprocessing model.
  • a barcode image identification device includes a barcode input module that receives an image including at least one barcode; a barcode extraction module extracting a first barcode image from the image; and a barcode decoding module that decodes the first barcode image and, if decoding fails, inputs the first barcode image to a preprocessing model to generate a second barcode image and decodes the second barcode image.
  • each component may be implemented as a hardware processor, and the above components may be integrated and implemented as one hardware processor, or the above components may be combined with each other and implemented as a plurality of hardware processors.
  • FIG. 1 is a perspective view showing the configuration of a barcode recognition device according to an embodiment of the present invention.
  • a barcode recognition device 1 includes a barcode input module 10, a barcode output module 20, a barcode decoding module 30, a model generation module 40, storage module 50.
  • the barcode input module 10 may receive an image including at least one barcode from the user terminal 2 or any external device. For example, a user may photograph a barcode printed on a product, paper, leaflet, etc. through the user terminal 2, and the user terminal 2 may transmit the photographed image to the barcode recognition device 1.
  • the barcode extraction module 20 may extract a first barcode image from an input image.
  • the barcode extraction module 20 may recognize a region including a barcode included in an image through a conventionally used object recognition model, and extract a first barcode image from the region.
  • the first barcode image means that a pattern in which the foreground color area and the background color area are formed at specific intervals is included, and examples thereof include EAN, UPC, CODABAR, and QR CODE.
  • the foreground color may be black and the background color may be white.
  • the barcode extraction module 20 does not recognize barcodes through a conventional rule-based algorithm, but rather applies a machine learning-based object recognition model to recognize barcodes even in situations where barcode recognition is difficult to obtain a first barcode image. can be extracted.
  • the barcode extraction module 20 may improve recognition accuracy of a barcode image through an object recognition model.
  • the barcode decryption module 30 may decode the first barcode image. In decoding the first barcode image, the barcode decoding module 30 converts the first barcode image into binary numbers according to a preset rule, and then converts data corresponding to the first barcode image based on the converted binary number value. can be extracted. At this time, data corresponding to the barcode image may be stored in the storage module 50 .
  • the barcode decoding module 30 can also apply a machine learning-based model, but when using the model, the barcode decoding module 30 is limited to barcodes in a format that can be identified by the model. It can be based on the base algorithm.
  • the barcode decoding module 30 may determine that decoding of the first barcode image has failed when data corresponding to the first barcode image is not stored in the storage module 50 .
  • the barcode decoding module 30 may generate a second barcode image by applying a barcode correction model to the first barcode image.
  • the second barcode image means that the first barcode image has been preprocessed and converted to be readable.
  • the barcode decryption module 30 may decode the second barcode image.
  • the process of decoding the second barcode image by the barcode decoding module 30 is the same as the process of decoding the first barcode image.
  • the model generation module 40 may generate a barcode correction model for preprocessing the undecipherable first barcode image.
  • the model generating module 40 may generate a training data set prior to generating a barcode correction model.
  • the model generation module 40 may generate a fourth barcode image by generating random noise in a plurality of third barcode images stored in the storage module 50 or received by a manager terminal (not shown).
  • the model generation module 40 may utilize image augmentation techniques in generating noise.
  • the model generation module 40 may generate a training data set based on the third barcode image and the fourth barcode image, and may train a barcode correction model with the generated training data set.
  • the model generating module 40 may generate a contaminated fourth barcode image by setting a barcode image successfully decoded among the first barcode images received by the barcode input module 10 as a third barcode image.
  • the model generation module 40 may continuously strengthen the barcode correction model by adding the barcode image successfully decrypted as described above to the training data set.
  • the storage module 50 may store various data used in the barcode recognition device 1 according to an embodiment of the present invention.
  • the storage module 50 may temporarily or semi-permanently store various types of data. Examples of the storage module 50 include a hard disk drive (HDD), a solid state drive (SSD), a flash memory, a read-only memory (ROM), and a random access memory (RAM). ), etc. may be present.
  • the storage module 50 may be provided in a form embedded in the barcode recognition device 1 or in a detachable form.
  • the storage module 50 includes an operating system (OS) for driving the barcode recognition device 1 or a program for operating each component of the barcode recognition device 1, as well as information about the operation of the barcode recognition device 1.
  • OS operating system
  • Various types of data such as a required barcode correction model and a training data set for a preprocessing model, may be stored.
  • FIG. 2 is a flowchart illustrating a barcode image identification method according to an embodiment of the present invention.
  • a barcode image identification method will be described with reference to FIG. 2 .
  • detailed embodiments overlapping with the barcode image identification device described above may be omitted.
  • the electronic device may receive an image including at least one barcode from the user terminal 2 or any external device.
  • the electronic device may extract a first barcode image from the input image.
  • the electronic device may recognize an area including a barcode included in an image through a conventionally used object recognition model, and extract a first barcode image from the area.
  • the electronic device may decode the first barcode image.
  • the electronic device converts the first barcode image into binary numbers according to a preset rule, and then extracts data corresponding to the first barcode image based on the converted binary number value. .
  • data corresponding to the barcode image may be stored in the storage module 50 .
  • step 130 when data corresponding to the first barcode image is not stored in the storage module 50, the electronic device may determine that decoding of the first barcode image has failed. If decoding of the first barcode image fails, the electronic device may generate a second barcode image by applying a barcode correction model to the first barcode image.
  • the second barcode image means that the first barcode image has been preprocessed and converted to be readable.
  • the present invention can correct the first barcode image that is damaged and cannot be decoded to generate a second barcode image, thereby enabling decryption of the damaged first barcode image.
  • FIG. 3 is a flowchart illustrating a method of generating a barcode correction model according to an embodiment of the present invention, and a barcode pretreatment model used in step 140 may be generated through FIG. 3 .
  • the electronic device may generate a learning data set to learn the barcode correction model.
  • the electronic device may generate a fourth barcode image by generating random noise in a plurality of third barcode images stored in the storage module 50 or received by a manager terminal (not shown).
  • the electronic device may utilize an image augmentation technique in generating the fourth barcode image.
  • the electronic device may generate a training data set based on the third barcode image and the fourth barcode image.
  • the electronic device may train a barcode correction model with the training data set generated in step 300. Furthermore, the electronic device may set the first barcode image successfully decoded in step 120 of FIG. 2 as a third barcode image, generate a fourth contaminated barcode image corresponding to the first barcode image, and further add it to the training data set. there is.
  • step 140 the electronic device may decode the second barcode image. This step may be performed in the same manner as step 120 in which the electronic device decodes the first barcode image.
  • step 150 the electronic device may provide data corresponding to the first barcode image to the user terminal 2.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Toxicology (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 바코드 이미지 식별 및 그 장치에 관한 것으로, 훼손된 바코드 이미지를 보정하는 모델을 적용하여 바코드 이미지의 해석을 용이하게 하는 것을 일 목적으로 한다. 이러한 목적을 달성하기 위한 본 발명은 적어도 하나의 바코드를 포함하는 이미지를 입력받는 a 단계, 상기 이미지에서 제1 바코드 이미지를 추출하는 b 단계, 제1 바코드 이미지를 해독하는 c 단계 및 상기 c 단계가 실패하면, 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하는 d 단계, 제2 바코드 이미지를 해독하는 e 단계를 포함하는 것을 일 특징으로 한다.

Description

바코드 이미지 식별 방법 및 그 장치
본 발명은 바코드 이미지 식별 및 그 장치에 관한 것으로, 보다 자세하게는 정상 바코드 이미지 뿐 아니라 손상된 바코드 이미지를 식별 가능한 방법 및 장치에 관한 것이다.
바코드는 영숫자나 글자를 기계가 읽을 수 있는 형태로 표현하기 위해 상이한 굵기를 가진 수직 막대들의 조합으로 나타내어 광학적으로 판독이 가능하게 한 것으로, 상품의 겉면에 인쇄되어 가격을 표시하거나 상품의 정보를 포함하여 상품을 관리하는 등 다양한 용도로 널리 사용되고 있다. 바코드는 EAN, CODE39, OCDE93, CODE128, ISBN과 같은 1차원 바코드와 PDF-417, QR CODE, 2D Data Matrix와 같은 2차원 바코드와 같은 다양한 형태로 구성되어 있으며, 그 인식 방법은 모두 유사하다.
종래의 바코드 인식 장치는 카메라와 적외선 스캐너가 널리 사용되고 있으며, 적외선 스캐너는 인쇄된 바코드를 읽고, 바코드에 포함된 데이터를 해독하고, 데이터를 컴퓨터로 보낼 수 있다. 그러나 적외선 스캐너는 인식 영역에 바코드를 정확히 맞춰야 하며, 카메라의 경우 고르지 못한 조명상태, 바코드의 왜곡, 카메라의 성능, 먼지나 낙서 등에 의한 바코드의 훼손 등으로 성능이 저하되는 단점이 있으며, 자동화 시스템의 발전으로 인해 바코드 인식 장치에도 머신러닝 모델이 도입되었으나, 머신러닝 모델의 경우에도 종래의 적외선 스캐너와 같은 단점을 포함하며 더 나아가 다양한 바코드 포맷 중 모델에서 지원 가능한 포맷만을 사용할 수 있어 기능이 제한되는 문제점이 있다.
본 발명은 전술한 문제점을 해결하기 위한 것으로서, 훼손된 바코드 이미지를 보정하는 모델을 적용하여 바코드 이미지의 해석을 용이하게 하는 것을 일 목적으로 한다.
이러한 목적을 달성하기 위한 본 발명은 전자 장치가 바코드 이미지를 식별하는 방법에 있어서, 적어도 하나의 바코드를 포함하는 이미지를 입력받는 a 단계, 상기 이미지에서 제1 바코드 이미지를 추출하는 b 단계, 제1 바코드 이미지를 해독하는 c 단계, 상기 c 단계가 실패하면, 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하는 d 단계 및 제2 바코드 이미지를 해독하는 e 단계를 포함하는 것을 일 특징으로 한다.
또한 본 발명은 적어도 하나의 바코드를 포함하는 이미지를 입력받는 바코드 입력 모듈, 상기 이미지에서 제1 바코드 이미지를 추출하는 바코드 추출 모듈 및 제1 바코드 이미지를 해독하고, 해독에 실패하면 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하여 제2 바코드 이미지를 해독하는 바코드 해독 모듈을 포함하는 것을 일 특징으로 한다.
전술한 바와 같은 본 발명에 의하면, 훼손된 바코드 이미지를 보정하는 모델을 적용하여, 바코드 이미지의 해석을 용이하게 할 수 있다. 이러한 구성을 통해 사용자의 도움 없이 훼손된 바코드 이미지를 자동으로 원본 바코드 이미지로 복원하여 바코드 이미지에 대한 데이터를 식별하여 사용자에게 제공할 수 있다.
도 1은 본 발명의 일 실시 예에 의한 바코드 이미지 식별 장치의 구성을 도시한 도면,
도 2는 본 발명의 일 실시 예에 의한 바코드 이미지 식별 방법을 나타낸 순서도,
도 3은 본 발명의 일 실시 예에 의한 바코드 보정 모델을 학습하는 방법을 나타낸 순서도이다.
본 발명의 일 실시예에 따른 바코드 이미지 식별 방법은, 적어도 하나의 바코드를 포함하는 이미지를 입력받는 a 단계; 상기 이미지에서 제1 바코드 이미지를 추출하는 b 단계; 제1 바코드 이미지를 해독하는 c 단계; 상기 c 단계가 실패하면, 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하는 d 단계; 및 제2 바코드 이미지를 해독하는 e 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 b 단계는, 객체 인식 모델을 사용하여, 상기 이미지에서 제1 바코드 이미지를 추출할 수 있다.
본 발명의 일 실시예에 따르면, 제1 바코드 이미지는 전경색 및 배경색 영역이 특정 간격을 두고 형성된 패턴이 포함될 수 있다.
본 발명의 일 실시예에 따르면, 상기 c 단계는, 제1 바코드 이미지를 기 설정된 규칙에 따라 2진수로 변환하여, 변환된 상기 2진수를 기반으로 제1 바코드 이미지에 대응하는 데이터를 추출할 수 있다.
본 발명의 일 실시예에 따르면, 상기 전처리 모델은, 데이터베이스에 저장된 제3 바코드 이미지를 로드하는 단계; 제3 바코드 이미지에 이미지 증강 기법을 통해 임의의 노이즈를 추가하여 제4 바코드 이미지를 생성하는 단계; 및 제3 바코드 이미지 및 제4 바코드 이미지를 기반으로 제4 바코드 이미지가 입력되면 제3 바코드 이미지를 출력할 수 있게 학습되는 단계를 통해 생성될 수 있다.
본 발명의 일 실시예에 따르면, 상기 d 단계는, 상기 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성할 수 있다.
본 발명의 일 실시예에 따른 바코드 이미지 식별 장치는, 적어도 하나의 바코드를 포함하는 이미지를 입력받는 바코드 입력 모듈; 상기 이미지에서 제1 바코드 이미지를 추출하는 바코드 추출 모듈; 및 제1 바코드 이미지를 해독하고, 해독에 실패하면 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하여 제2 바코드 이미지를 해독하는 바코드 해독 모듈을 포함할 수 있다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다.
도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용되며, 명세서 및 특허청구의 범위에 기재된 모든 조합은 임의의 방식으로 조합될 수 있다. 그리고 다른 식으로 규정하지 않는 한, 단수에 대한 언급은 하나 이상을 포함할 수 있고, 단수 표현에 대한 언급은 또한 복수 표현을 포함할 수 있음이 이해되어야 한다.
본 명세서에서 사용되는 용어는 단지 특정 예시적 실시 예들을 설명할 목적을 가지고 있으며 한정할 의도로 사용되는 것이 아니다. 본 명세서에서 사용된 바와 같은 단수적 표현들은 또한, 해당 문장에서 명확하게 달리 표시하지 않는 한, 복수의 의미를 포함하도록 의도될 수 있다. 용어 "및/또는," "그리고/또는"은 그 관련되어 나열되는 항목들의 모든 조합들 및 어느 하나를 포함한다. 용어 "포함한다", "포함하는", "포함하고 있는", "구비하는", "갖는", "가지고 있는" 등은 내포적 의미를 갖는 바, 이에 따라 이러한 용어들은 그 기재된 특징, 정수, 단계, 동작, 요소, 및/또는 컴포넌트를 특정하며, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 이들의 그룹의 존재 혹은 추가를 배제하지 않는다. 본 명세서에서 설명되는 방법의 단계들, 프로세스들, 동작들은, 구체적으로 그 수행 순서가 확정되는 경우가 아니라면, 이들의 수행을 논의된 혹은 예시된 그러한 특정 순서로 반드시 해야 하는 것으로 해석돼서는 안 된다. 추가적인 혹은 대안적인 단계들이 사용될 수 있음을 또한 이해해야 한다.
또한, 각각의 구성요소는 각각 하드웨어 프로세서로 구현될 수 있고, 위 구성요소들이 통합되어 하나의 하드웨어 프로세서로 구현될 수 있으며, 또는 위 구성요소들이 서로 조합되어 복수 개의 하드웨어 프로세서로 구현될 수도 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 의한 바코드 인식 장치의 구성을 나타낸 사시도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 의한 바코드 인식 장치(1)는 바코드 입력 모듈(10), 바코드 출력 모듈(20), 바코드 해독 모듈(30), 모델 생성 모듈(40), 저장 모듈(50)을 포함할 수 있다.
바코드 입력 모듈(10)은 사용자 단말(2) 혹은 임의의 외부 장치로부터 적어도 하나의 바코드를 포함하는 이미지를 입력받을 수 있다. 예를 들어, 사용자는 상품, 종이나 전단지 등에 출력되어 있는 바코드를 사용자 단말(2)를 통해 촬영하고, 사용자 단말(2)은 촬영된 이미지를 바코드 인식 장치(1)에 전송할 수 있다.
바코드 추출 모듈(20)은 입력된 이미지에서 제1 바코드 이미지를 추출할 수 있다. 바코드 추출 모듈(20)은 종래 사용되는 객체 인식 모델을 통해 이미지에 포함된 바코드가 포함된 영역을 인식하고, 상기 영역에서 제1 바코드 이미지를 추출할 수 있다. 제1 바코드 이미지는 전경색 영역과 배경색 영역이 특정 간격을 두고 형성된 패턴이 포함된 것을 의미하며 그 예로 EAN, UPC, CODABAR, QR CODE 등이 있다. 일 예로 전경색은 검정색, 배경색은 흰 색일 수 있다.
바코드 추출 모듈(20)은 종래에 사용되던 룰베이스 알고리즘을 통해 바코드를 인식하는 것이 아닌, 바코드 인식이 어려운 상황에도 바코드를 인식할 수 있게 머신러닝 기반의 객체 인식 모델을 적용하여 제1 바코드 이미지를 추출할 수 있다. 바코드 추출 모듈(20)은 객체 인식 모델을 통해 바코드 이미지의 인식 정확도를 향상시킬 수 있다.
바코드 해독 모듈(30)은 제1 바코드 이미지를 해독할 수 있다. 바코드 해독 모듈(30)은 제1 바코드 이미지를 해독함에 있어서, 제1 바코드 이미지를 기 설정된 규칙에 따라 2진수로 변환한 후, 변환된 2진수 값을 기반으로 제1 바코드 이미지에 대응하는 데이터를 추출할 수 있다. 이 때, 바코드 이미지에 대응하는 데이터는 저장 모듈(50)에 저장되어 있을 수 있다.
바코드 추출 모듈(20)과 같이 바코드 해독 모듈(30)도 머신러닝 기반의 모델을 적용할 수 있으나, 모델을 사용할 경우 모델에서 식별 가능한 포맷의 바코드로 제한이 됨에 따라 바코드 해독 모듈(30)은 룰베이스 알고리즘을 기반으로 할 수 있다.
바코드 해독 모듈(30)은 제1 바코드 이미지에 대응하는 데이터가 저장 모듈(50)에 저장되어 있지 않을 경우, 제1 바코드 이미지의 해독에 실패했다고 판단할 수 있다.
바코드 해독 모듈(30)은 제1 바코드 이미지의 해독을 실패하면, 제1 바코드 이미지에 바코드 보정 모델을 적용해 제2 바코드 이미지를 생성할 수 있다. 제2 바코드 이미지는 제1 바코드 이미지가 전처리되어 해독 가능하게 변환된 것을 의미한다.
바코드 해독 모듈(30)은 제2 바코드 이미지를 해독할 수 있다. 바코드 해독 모듈(30)이 제2 바코드 이미지를 해독하는 과정은 제1 바코드 이미지를 해독하는 과정과 동일하다.
모델 생성 모듈(40)은 해독이 불가능한 제1 바코드 이미지를 전처리하기 위한 바코드 보정 모델을 생성할 수 있다.
모델 생성 모듈(40)은 바코드 보정 모델을 생성하기에 앞서 학습 데이터 셋을 생성할 수 있다. 모델 생성 모듈(40)은 저장 모듈(50)에 저장되거나 관리자 단말(미도시)에 의해 수신된 복수 개의 제3 바코드 이미지에 임의의 노이즈를 생성하여 제4 바코드 이미지를 생성할 수 있다. 모델 생성 모듈(40)은 노이즈를 생성함에 있어서 이미지 증강 기법을 활용할 수 있다.
모델 생성 모듈(40)은 제3 바코드 이미지와 제4 바코드 이미지를 기반으로 학습 데이터 셋을 생성하고, 생성된 학습 데이터 셋으로 바코드 보정 모델을 학습시킬 수 있다.
모델 생성 모듈(40)은 바코드 입력 모듈(10)에서 수신된 제1 바코드 이미지 중 해독에 성공한 바코드 이미지를 제3 바코드 이미지로 설정하여, 오염된 제4 바코드 이미지를 생성할 수 있다. 모델 생성 모듈(40)은 이와 같이 해독에 성공한 바코드 이미지를 학습 데이터 셋에 더 추가하여, 지속적으로 바코드 보정 모델을 강화할 수 있다.
저장 모듈(50)은 본 발명의 일 실시 예에 의한 바코드 인식 장치(1)에서 사용되는 각종 데이터를 저장할 수 있다. 저장 모듈(50)은 각종 데이터를 임시적 또는 반영구적으로 저장할 수 있다. 저장 모듈(50)의 일 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래시 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 저장 모듈(50)은 바코드 인식 장치(1)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 저장 모듈(50)에는 바코드 인식 장치(1)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 바코드 인식 장치(1)의 각 구성을 동작시키기 위한 프로그램을 비롯해 바코드 인식 장치(1)의 동작에 필요한 바코드 보정 모델, 전처리 모델의 학습 데이터 셋 등 각종 데이터가 저장될 수 있다.
도 2는 본 발명의 일 실시 예에 의한 바코드 이미지 식별 방법을 설명하기 위한 순서도이다. 이하에서는 도 2를 참조하여 바코드 이미지 식별 방법을 설명한다. 바코드 이미지 식별 방법에 대한 설명에 있어서, 앞서 설명한 바코드 이미지 식별 장치와 중복되는 세부 실시 예는 생략될 수 있다.
단계 100에서, 전자 장치는 사용자 단말(2) 혹은 임의의 외부 장치로부터 적어도 하나의 바코드를 포함하는 이미지를 입력받을 수 있다.
단계 110에서, 전자 장치는 입력된 이미지에서 제1 바코드 이미지를 추출할 수 있다. 전자 장치는 종래 사용되는 객체 인식 모델을 통해 이미지에 포함된 바코드가 포함된 영역을 인식하고, 상기 영역에서 제1 바코드 이미지를 추출할 수 있다.
단계 120에서, 전자 장치는 제1 바코드 이미지를 해독할 수 있다. 전자 장치는 제1 바코드 이미지를 해독함에 있어서, 제1 바코드 이미지를 기 설정된 규칙에 따라 2진수로 변환한 후, 변환된 2진수 값을 기반으로 제1 바코드 이미지에 대응하는 데이터를 추출할 수 있다. 이 때, 바코드 이미지에 대응하는 데이터는 저장 모듈(50)에 저장되어 있을 수 있다.
단계 130에서, 전자 장치는 제1 바코드 이미지에 대응하는 데이터가 저장 모듈(50)에 저장되어 있지 않을 경우, 제1 바코드 이미지의 해독에 실패했다고 판단할 수 있다. 전자 장치는 제1 바코드 이미지의 해독을 실패하면, 제1 바코드 이미지에 바코드 보정 모델을 적용해 제2 바코드 이미지를 생성할 수 있다. 제2 바코드 이미지는 제1 바코드 이미지가 전처리되어 해독 가능하게 변환된 것을 의미한다.
이와 같이 본 발명은 훼손되어 해독이 불가능한 제1 바코드 이미지를 보정하여 제2 바코드 이미지를 생성함으로써 훼손된 제1 바코드 이미지에 대한 해독을 가능하게 할 수 있다.
도 3은 본 발명의 일 실시 예에 의한 바코드 보정 모델을 생성하는 방법을 설명하기 위한 순서도로, 도 3을 통해 단계 140에서 사용되는 바코드 전처레 모델을 생성할 수 있다.
단계 300에서, 전자 장치는 바코드 보정 모델을 학습하기 위해 학습 데이터 셋을 생성할 수 있다. 전자 장치는 저장 모듈(50)에 저장되거나 관리자 단말(미도시)에 의해 수신된 복수 개의 제3 바코드 이미지에 임의의 노이즈를 생성하여 제4 바코드 이미지를 생성할 수 있다. 전자 장치는 제4 바코드 이미지를 생성함에 있어서 이미지 증강 기법을 활용할 수 있다.
전자 장치는 제3 바코드 이미지와 제4 바코드 이미지를 기반으로 학습 데이터 셋을 생성할 수 있다.
단계 310에서, 전자 장치는 단계 300에서 생성된 학습 데이터 셋으로 바코드 보정 모델을 학습시킬 수 있다. 나아가 전자 장치는 도 2의 단계 120에서 해독에 성공한 제1 바코드 이미지를 제3 바코드 이미지로 설정하여 제1 바코드 이미지에 대응되는 오염된 제4 바코드 이미지를 생성하여, 학습 데이터 셋에 더 추가할 수 있다.
도 2에 대한 설명으로 복귀하면 단계 140에서, 전자 장치는 제2 바코드 이미지를 해독할 수 있다. 본 단계는 전자 장치가 제1 바코드 이미지를 해독하는 단계 120과 동일한 방법으로 수행될 수 있다.
단계 150에서, 전자 장치는 제1 바코드 이미지에 대응하는 데이터를 사용자 단말(2)에 제공할 수 있다.
본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.

Claims (7)

  1. 전자 장치가 바코드 이미지를 식별하는 방법에 있어서,
    적어도 하나의 바코드를 포함하는 이미지를 입력받는 a 단계;
    상기 이미지에서 제1 바코드 이미지를 추출하는 b 단계;
    제1 바코드 이미지를 해독하는 c 단계;
    상기 c 단계가 실패하면, 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하는 d 단계; 및
    제2 바코드 이미지를 해독하는 e 단계를 포함하는 바코드 이미지 식별 방법.
  2. 제1항에 있어서, 상기 b 단계는,
    객체 인식 모델을 사용하여, 상기 이미지에서 제1 바코드 이미지를 추출하는 바코드 이미지 식별 방법.
  3. 제2항에 있어서,
    제1 바코드 이미지는 전경색 및 배경색 영역이 특정 간격을 두고 형성된 패턴이 포함된 바코드 이미지 식별 방법.
  4. 제1항에 있어서, 상기 c 단계는,
    제1 바코드 이미지를 기 설정된 규칙에 따라 2진수로 변환하여, 변환된 상기 2진수를 기반으로 제1 바코드 이미지에 대응하는 데이터를 추출하는 바코드 이미지 식별 방법.
  5. 제1항에 있어서,
    상기 전처리 모델은,
    데이터베이스에 저장된 제3 바코드 이미지를 로드하는 단계;
    제3 바코드 이미지에 이미지 증강 기법을 통해 임의의 노이즈를 추가하여 제4 바코드 이미지를 생성하는 단계; 및
    제3 바코드 이미지 및 제4 바코드 이미지를 기반으로 제4 바코드 이미지가 입력되면 제3 바코드 이미지를 출력할 수 있게 학습되는 단계를 통해 생성되는 바코드 이미지 식별 방법.
  6. 제5항에 있어서, 상기 d 단계는,
    상기 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하는 바코드 이미지 식별 방법.
  7. 적어도 하나의 바코드를 포함하는 이미지를 입력받는 바코드 입력 모듈;
    상기 이미지에서 제1 바코드 이미지를 추출하는 바코드 추출 모듈; 및
    제1 바코드 이미지를 해독하고, 해독에 실패하면 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하여 제2 바코드 이미지를 해독하는 바코드 해독 모듈을 포함하는 바코드 이미지 식별 장치.
PCT/KR2022/011386 2021-08-18 2022-08-02 바코드 이미지 식별 방법 및 그 장치 WO2023022404A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR1020210108491A KR102393764B1 (ko) 2021-08-18 2021-08-18 바코드 이미지 식별 방법 및 그 장치
KR10-2022-0052714 2021-08-18
KR10-2021-0108491 2021-08-18
KR1020220052714A KR102682942B1 (ko) 2021-08-18 2022-04-28 바코드 이미지 식별 방법 및 그 장치

Publications (1)

Publication Number Publication Date
WO2023022404A1 true WO2023022404A1 (ko) 2023-02-23

Family

ID=85241153

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/011386 WO2023022404A1 (ko) 2021-08-18 2022-08-02 바코드 이미지 식별 방법 및 그 장치

Country Status (2)

Country Link
KR (1) KR102682942B1 (ko)
WO (1) WO2023022404A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012103825A (ja) * 2010-11-09 2012-05-31 Denso Wave Inc 光学的情報読取装置
KR20200050091A (ko) * 2018-10-31 2020-05-11 삼성전자주식회사 바코드를 판독하는 방법 및 전자 장치
CN111767750A (zh) * 2019-05-27 2020-10-13 北京沃东天骏信息技术有限公司 图像处理方法和装置
KR102263184B1 (ko) * 2020-12-14 2021-06-09 주식회사 대곤코퍼레이션 저 품질 바코드 판독시스템
KR102393764B1 (ko) * 2021-08-18 2022-05-06 주식회사 에너자이(ENERZAi) 바코드 이미지 식별 방법 및 그 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012103825A (ja) * 2010-11-09 2012-05-31 Denso Wave Inc 光学的情報読取装置
KR20200050091A (ko) * 2018-10-31 2020-05-11 삼성전자주식회사 바코드를 판독하는 방법 및 전자 장치
CN111767750A (zh) * 2019-05-27 2020-10-13 北京沃东天骏信息技术有限公司 图像处理方法和装置
KR102263184B1 (ko) * 2020-12-14 2021-06-09 주식회사 대곤코퍼레이션 저 품질 바코드 판독시스템
KR102393764B1 (ko) * 2021-08-18 2022-05-06 주식회사 에너자이(ENERZAi) 바코드 이미지 식별 방법 및 그 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JEONG YONG-BAE, JEONG DONG-SEUK, YANG, CHO HAN-JIN, LEE JUNE-HWAN: "The Study of Fast mail recognition and development of image error correction technology using 4-state barcode", PROCEEDINGS OF THE KOREA CONTENTS ASSOCIATION CONFERENCE, 1 May 2011 (2011-05-01), pages 573 - 574, XP093036916, Retrieved from the Internet <URL:https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE06096618> [retrieved on 20230403] *

Also Published As

Publication number Publication date
KR20230028126A (ko) 2023-02-28
KR102682942B1 (ko) 2024-07-09

Similar Documents

Publication Publication Date Title
US11210510B2 (en) Storing anonymized identifiers instead of personally identifiable information
US11349666B2 (en) Electronically signing and distributing identification data as a service that provides proof of identity, integrity, validity and origin of data for non-repudiation and ID validation methods
US20230048075A1 (en) Method and apparatus for processing encoded pattern, storage medium, and electronic apparatus
US8430301B2 (en) Document authentication using hierarchical barcode stamps to detect alterations of barcode
US7936901B2 (en) System and method for encoding high density geometric symbol set
US6895116B2 (en) Automatically extracting graphical bar codes
WO2014044159A1 (en) Method and device for batch scanning 2d barcodes
CN1087191A (zh) 带有编码数据的记录体
JP2000511320A (ja) 光学的文字認識（ｏｃｒ）支援のバーコード解読システム及び方法
US7305131B2 (en) Extracting graphical bar codes from an input image
US20170200247A1 (en) Systems and methods for authentication of physical features on identification documents
CN112508145B (zh) 电子***生成及验证方法、装置、电子设备及存储介质
CN105787403A (zh) 一种高像素图像的条码识读方法及设备
CN113887438A (zh) 人脸图像的水印检测方法、装置、设备及介质
KR102393764B1 (ko) 바코드 이미지 식별 방법 및 그 장치
WO2023022404A1 (ko) 바코드 이미지 식별 방법 및 그 장치
CN113553876A (zh) 条形码识别方法、装置、设备及存储介质
KR102085561B1 (ko) Qr코드 위변조 방지장치 및 방법
KR101685161B1 (ko) 여권 정보 변환 장치 및 이를 이용한 변환 방법
Singh et al. A novel approach for encoding and decoding of high storage capacity color QR code
Mantoro et al. Real-time printed document authentication using watermarked qr code
WO2024136304A1 (ko) 홀로그램 보안 코드를 홀로그램 기록 매체에 삽입하기 위한 방법 및 상기 홀로그램 보안 코드를 판독하기 위한 방법
KR102514817B1 (ko) 딥러닝 기반의 시각적 문서 이해 시스템 및 방법
CN110866578B (zh) 一种二维纹理码及其编码和解码方法
Noppakaew et al. Construction of multi-layered QR codes utilizing partitions of positive integers

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22858642

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE